Olympus: A Jumping Quadruped for Planetary Exploration Utilizing Reinforcement Learning for In-Flight Attitude Control
NTNU（挪威科技大学）；Autonomous Robots Lab（自主机器人实验室）
本文介绍了专为火星重力设计的跳跃腿式机器人Olympus，通过仿真优化其设计以实现高效跳跃，并利用强化学习策略实现飞行中姿态控制，成功跨越仿真到现实鸿沟完成实验验证。
2025-03-05 cs.LG cs.RO
Agile Maneuvers in Legged Robots: a Predictive Control Approach
Heriot-Watt University（赫瑞-瓦特大学）；University of Edinburgh（爱丁堡大学）；University of Oxford（牛津大学）；Dalian University of Technology（大连理工大学）
规划和执行敏捷的运动机动一直是腿式机器人技术的一个长期挑战。它需要实时地得到运动计划和局部反馈策略来处理动力学动量的非完整性。为了实现这一目标，我们提出了一个混合预测控制器，认为机器人的驱动限制和全身动态。它将反馈策略与触觉信息相结合，以局部预测未来的动作。由于可行性驱动的方法，它在几毫秒内收敛。我们的预测控制器使ANYmal机器人能够在现实场景中产生敏捷的机动。一个关键因素是跟踪局部反馈策略，因为与全身控制相比，它们实现了期望的角动量。据我们所知，我们的预测控制器是第一个处理驱动限制，生成敏捷的运动动作，并执行低水平扭矩控制的最佳反馈策略，而无需使用单独的全身控制器。
2022-07-18 cs.AI cs.RO cs.SY
SiMPLeR: A Series-Elastic Manipulator with Passive Variable Stiffness for Legged Robots
Saratoga High School（萨拉托加高中）；University of Michigan（密歇根大学）
我们提出了一种机械简单，成本低廉的设计，一系列的弹性致动器与可控刚度。这些特性对于动物的奔跑、跳跃、投掷和操纵是必要的，然而在机器人中，变刚度致动器要么很复杂，要么通过反馈控制器在低带宽下模仿。需要一个强大而简单的设计来建造可靠而廉价的具有动物能力的机器人。我们设计的关键是将扭转弹簧连接到正时皮带上，以创建可变刚度线性弹簧。在对抗对中，改变电机和关节之间的距离则改变致动器刚度。我们建立了一个原型，我们提出的致动器，显示的理论行为相匹配的实验表征，并展示了应用机器人单腿跳跃。
2021-06-20 cs.RO
Optimizing energy consumption for legged robot by adapting equilibrium position and stiffness of a parallel torsion spring
Skolkovo Institute of Science and Technology（斯科尔科沃科学技术学院）；Moscow Institute of Physics and Technology（莫斯科物理技术学院）
本文针对腿足机器人能耗优化问题，提出一种由扭转弹簧与伺服驱动蜗轮蜗杆组成的自适应扭转弹簧机构，通过调整弹簧平衡位置和刚度补偿扭矩、降低电机负载，仿真验证其可显著降低能耗。
2024-11-27 cs.RO
A Robust Antenna Provides Tactile Feedback in a Multi-legged Robot
Georgia Institute of Technology（佐治亚理工学院）
本研究提出了一种用于多足机器人的触觉天线，通过实时感知周围环境几何形状，提高在狭窄空间中的导航能力和自主性。
2026-03-08 cs.RO
RAMIEL: A Parallel-Wire Driven Monopedal Robot for High and Continuous Jumping
The University of Tokyo（东京大学）
本研究提出一种由6根绳索控制、具备1个直线与2个转动自由度的并联绳驱动腿部结构，研发出单足机器人RAMIEL，验证其可实现1.6米最大跳高技术指标与最多7次连续跳跃，兼顾高跳与连续跳跃能力。
2023-11-08 cs.RO
Pinto: A latched spring actuated robot for jumping and perching
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究针对树栖环境机器人运动难题，开发了450克的小型机器人Pinto，采用带扭绳和碳纤维弹簧的锁存串联弹性驱动器及五杆腿机构，可实现高能量跳跃与连续弹跳控制，还配备带棘爪夹持器的弹性2自由度手臂完成跳跃后高速栖息，验证了并联弹性储能相比传统策略的优势。
2024-09-13 cs.RO
Verifying Safe Transitions between Dynamic Motion Primitives on Legged Robots
California Institute of Technology（加州理工学院）
本文提出一种形式化方法，用于确定足式机器人动态运动基元间安全转换的动态状态感知条件，构建可遍历的运动基元图以实现功能自主，并在四足机器人上验证了站立、行走、跳跃等基元及其转换。
2023-09-14 cs.RO
Galileo: A Pseudospectral Collocation Framework for Legged Robots
Worcester Polytechnic Institute（伍斯特理工学院）
本文提出Galileo框架，通过变量变换实现李群上的伪谱配点轨迹优化，并集成MPC与QP全身控制，在Go1和HURON机器人上验证了动态机动的可行性。
2024-09-19 cs.RO
Continuous Jumping for Legged Robots on Stepping Stones via Trajectory Optimization and Model Predictive Control
University of Southern California（南加州大学）
在不平坦的踏脚石上进行跳跃或奔跑等高度敏捷的动态运动一直是足式机器人运动中的一个挑战性问题。本文提出了一种框架，结合轨迹优化和模型预测控制执行稳健的和连续的跳跃上的垫脚石。在我们的方法中，我们首先利用轨迹优化的基础上的全非线性动力学的机器人产生周期性的跳跃轨迹的各种跳跃距离。设计了基于模型预测控制的跳跃控制器，实现了跳跃过程的平滑过渡，使机器人能够在踏脚石上实现连续跳跃。由于MPC作为一个实时反馈控制器的结合，所提出的框架也被验证为具有未知的高度扰动和模型不确定性的机器人动力学不均匀的平台是强大的。
2022-09-16 cs.RO
A Co-Design Framework for High-Performance Jumping of a Five-Bar Monoped with Actuator Optimization
Indian Institute of Science (IISc)（印度科学研究所）；Department of Cyber-Physical Systems (CPS), Indian Institute of Science (IISc)（印度科学研究所网络物理系统系）
本文提出一种五连杆单足跳跃机器人协同设计框架，通过优化机械结构、电机和减速器参数及控制参数，提升跳跃距离并降低能耗。
2026-07-07 cs.RO
A Versatile Co-Design Approach For Dynamic Legged Robots
University of Edinburgh（爱丁堡大学）；Heriot-Watt University（赫瑞-瓦特大学）
我们提出了一个通用的框架计算协同设计的足式机器人和动态机动。当前最先进的方法通常基于随机采样或并行优化。我们提出了一种新的双层优化方法，该方法利用了运动规划子问题的导数（即，下层）。这些运动规划衍生物允许我们在通用非线性程序（即，上层）。我们的方法允许使用任何微分运动规划在较低的水平，也允许一个较高的水平，捕捉任意的设计约束和成本。它有效地优化了机器人的形态，有效载荷分布和执行器参数，同时考虑其完整的动力学，关节限制和物理约束，如摩擦锥。我们通过设计跳跃和小跑的四足机器人来展示这些能力。我们表明，我们的方法是能够设计一个更节能的独奏机器人这些任务。
2022-07-15 cs.RO
Kinodynamic Motion Planning for Multi-Legged Robot Jumping via Mixed-Integer Convex Program
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Korea Advanced Institute of Science and Technology（韩国科学技术院）
提出了一种基于混合整数凸规划（MICP）的多足足式机器人跳跃运动学运动规划框架，该框架同时考虑质心运动、接触点、扳手和步态序列。该方法将位形空间离散化和可行扳手多面体（FWP）的构造相结合，将运动学约束、执行器限制、摩擦锥约束和步态排序编码到一个MICP中。MICP可以有效地解决了全球最佳的现成的数值求解器，并提供高动态跳跃运动，而不需要初始猜测。仿真和实验结果表明，所提出的方法可以找到新颖灵巧的机动，直接部署在两足足式机器人平台上，以穿越具有挑战性的地形。
2020-11-03 cs.RO
SpaceHopper: A Small-Scale Legged Robot for Exploring Low-Gravity Celestial Bodies
ZHAW（苏黎世应用科学大学）；ETH Zurich（苏黎世联邦理工学院）
本研究提出三足小型探测机器人SpaceHopper，采用深度强化学习控制腿部实现飞行中姿态调整，在低重力模拟中可跳6米，实物实验验证了姿态调整与跳跃能力，为低重力天体可控跳跃探测提供了新方案。
2024-03-05 cs.RO
The Effect of Tail Stiffness on a Sprawling Quadruped Locomotion
University of Galway（高威大学）；University of Notre Dame（圣母大学）
本研究通过在欠驱动匍匐式四足机器人上添加由单个伺服电机控制刚度的多节段缆绳驱动柔性尾巴，证明了可变刚度尾巴相比刚性尾巴或无尾巴能显著提升机器人在崎岖地形上的稳定性和攀爬能力。
2023-04-09 cs.RO
Rough-Terrain Locomotion and Unilateral Contact Force Regulations With a Multi-Modal Legged Robot
Northeastern University（东北大学）
尽管足式机器人的设计者取得了许多成就，但最先进的双足机器人容易摔倒，不能通过极其粗糙的地形，也不能直接调节单侧接触力。我们的目标是在一个平台上集成腿式和空中机器人的优点。我们将表明，在一个双足足式机器人称为哈比的推进器可以利用稳定的机器人的正面动力学，并允许跳过大的障碍，这是一个不寻常的能力没有报道过。此外，我们将利用Harpy中的推进器动作，并将表明可以通过使用参考调速器（RGs）直接调节接触力来避免使用昂贵的基于优化的方案。我们将解决步态参数，并重新规划他们在步态周期只假设良好的调整监督控制器。然后，我们将专注于基于RG的微调关节所需的轨迹，以满足单边接触力的约束。
2021-03-29 cs.RO cs.SY eess.SY
Development of Bidirectional Series Elastic Actuator with Torsion Coil Spring and Implementation to the Legged Robot
Sony Interactive Entertainment（索尼互动娱乐）
本研究开发了一种使用螺旋弹簧的小型轻量化双向串联弹性执行器（SEA），并将其应用于小型单腿机器人，通过跌落测试验证了其在冲击吸收、能量再利用及实现柔性着陆和连续跳跃方面的有效性。
2024-09-24 cs.RO
Multi-Contact Inertial Parameters Estimation and Localization in Legged Robots
Heriot-Watt University（赫瑞瓦特大学）；Florida Institute for Human & Machine Cognition（佛罗里达人机认知研究所）
本文提出融合参数化 Riccati 递推、物理一致惯性流形、零空间奇异性处理与接触解析导数的多接触最优估计框架，提升腿足机器人参数估计、定位精度及复杂动作适用性。
2025-02-20 cs.RO
Steering Elongate Multi-legged Robots By Modulating Body Undulation Waves
Ground Control Robotics LLC（地面控制机器人有限公司）；School of Physics, Georgia Institute of Technology（物理系，佐治亚理工学院）
本文受蜈蚣运动启发，将细长多足机器人建模为高摩擦环境中的陆地游泳者，通过叠加身体横向波动波实现转向控制，并在物理模型和Major Tom机器人上验证了平面运动与闭环控制框架。
2025-06-02 cs.RO
Convex Optimization in Legged Robots
University of California - San Diego（加州大学圣地亚哥分校）
本文综述了凸优化在有腿机器人控制中的应用，提出了将主动平衡问题表述为二阶锥规划的通用框架，并探讨了零力矩点准则、LQR和反馈MPC等方法以提升预测精度和降低计算成本，最终应用于跳跃和着陆任务的稳定控制。
2023-06-30 cs.RO math.OC
Orientation Control System: Enhancing Aerial Maneuvers for Quadruped Robots
Istituto Italiano di Tecnologia (IIT)（意大利技术研究院）；University of Trento（特伦托大学）
对于足式机器人，空中运动是唯一的选择，以跨越障碍物，不能绕过标准的运动步态。在这些情况下，机器人必须跳跃到障碍物上或飞越障碍物。然而，这些运动是一个挑战，因为在飞行阶段无法控制质心（CoM），并且机器人方向的可控性有限。本文着重于后一个问题，并提出了一个方向控制系统（OCS）组成的两个旋转和驱动质量（飞轮或反作用轮），以获得控制权的机器人方向。由于角动量守恒，它们的旋转速度可以调整，以引导机器人的方向，即使没有与地面接触。飞轮的旋转轴被设计成入射的，从而导致能够控制滚转角和俯仰角的紧凑的定向控制系统，考虑到在两个方向上的不同惯性矩。我们在机器人Solo12上进行了模拟测试。
2023-01-27 cs.RO
Dynamic Policy Learning for Legged Robot with Simplified Model Pretraining and Model-Homotopy-Inspired Transfer
Department of Mechanical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（机械工程系，韩国科学技术院（KAIST））；School of Interactive Computing, Georgia Institute of Technology（交互计算学院，佐治亚理工学院）
提出一种延续学习框架，结合简化模型预训练和模型同伦启发迁移，高效生成和优化足式机器人的复杂动态行为，并在真实四足机器人上验证了翻转和墙面辅助等动态任务。
2026-06-03 cs.RO
Deep Reinforcement Learning to Acquire Navigation Skills for Wheel-Legged Robots in Complex Environments
移动机器人在复杂动态环境中的导航是一个具有挑战性的重要问题。强化学习方法无法有效地解决这些问题，由于奖励稀疏，时间复杂性和高维的感觉运动空间，这是固有的问题。我们提出了一种新的方法来训练行动政策，以获得导航技能的轮足式机器人使用深度强化学习。该策略将高度图图像观察映射到运动命令，以在避开障碍物的同时导航到目标位置。我们建议通过学习和利用一些可管理的导航行为来获得多方面的导航技能。我们还引入了一个域随机化技术，以提高训练样本的通用性。我们的实验表明，数据效率，成功率，对不相关的感官数据的鲁棒性，以及机动技能的质量方面的显着改善。
2018-04-27 cs.LG cs.RO stat.ML
Stanford Doggo: An Open-Source, Quasi-Direct-Drive Quadruped
本文介绍了斯坦福狗，一个准直接驱动的四足动物能够动态运动。该机器人匹配或超过最先进的足式机器人的常见性能指标。在垂直跳跃敏捷性方面，一个衡量平均垂直速度的指标，斯坦福狗狗与表现最好的动物相匹配，并超过之前最好的机器人22%。一个整体的设计架构，重点放在我们的准直接驱动的设计方法。复制这个机器人的硬件和软件是开源的，只需要手工工具来制造和组装，成本不到3000美元。
2019-05-10 cs.RO
MARG: MAstering Risky Gap Terrains for Legged Robots with Elevation Mapping
Adaptive Robotic Controls Lab (ArcLab)（适应性机器人控制实验室）；Department of Mechanical Engineering（机械工程系）；The University of Hong Kong（香港大学）
针对四足机器人穿越危险间隙地形时盲走不安全、感知系统部署复杂的问题，本文提出融合地形图与本体感知的 DRL 控制器 MARG，并通过 TMG 模型实现单 LiDAR 准确建图与零样本迁移。
2025-09-27 cs.RO
Learning agile and dynamic motor skills for legged robots
ETH Zurich（苏黎世联邦理工学院）；Intel（英特尔）
足式机器人是机器人技术中最大的挑战之一。动物的动态和敏捷的动作不能被人类制作的现有方法模仿。另一个引人注目的替代方案是强化学习，它需要最少的工艺，并促进控制策略的自然演变。然而，到目前为止，针对足式机器人的强化学习研究主要局限于仿真，只有很少且非常简单的例子被部署在真实系统上。主要原因是，使用真实机器人进行训练，特别是使用动态平衡系统进行训练，既复杂又昂贵。在目前的工作中，我们介绍了一种方法，用于训练神经网络政策模拟和转移到一个国家的最先进的腿系统，从而利用快速，自动化，具有成本效益的数据生成方案。该方法适用于ANYmal机器人，一个复杂的中型狗大小的四足系统。使用在模拟中训练的策略，四足机器实现了超越先前方法的运动技能：ANYmal能够精确和节能地遵循高水平的身体速度命令，比以前跑得更快，甚至在复杂的配置中从跌倒中恢复。
2019-01-24 cs.LG cs.RO stat.ML
A Unified Model with Inertia Shaping for Highly Dynamic Jumps of Legged Robots
Imperial College London（伦敦帝国理工学院）；University of Edinburgh（爱丁堡大学）
为了实现足式机器人的高动态跳跃，必须控制机器人的旋转动力学。在本文中，我们的目标是提高跳跃性能，提出了一个统一的模型规划高度动态跳跃，可以近似模型的质心惯性。这个模型抽象的机器人作为一个单一的刚体的基础和点质量的腿。该模型被称为块状腿单刚体模型（LL-SRBM），可用于规划两足和四足机器人的运动。通过考虑腿动力学的影响，LL-SRBM提供了一个计算效率高的方式，运动规划器来改变质心惯性的机器人与各种腿配置。同时，我们提出了一种新的接触检测方法，通过使用平均空间速度的范数。在检测到接触之后，控制器切换到力控制以实现软着陆。两足机器人SLIDER和四足机器人ANYmal的扭转跳跃和前向跳跃实验表明，通过主动改变质心惯性，跳跃性能得到了改善。这些实验也显示了综合规划和控制框架的通用性和鲁棒性。
2021-09-09 cs.RO cs.SY eess.SY
Impact-Invariant Control: Maximizing Control Authority During Impacts
针对足式机器人动态碰撞时速度反馈控制难、碰撞不确定性影响大的问题，提出将控制目标投影到碰撞不变子空间的通用框架，在多类控制器和机器人上验证了性能优势，易部署且为实体机器人应用提供关键支撑。
2024-07-10 cs.RO
Analysis of Harpy's Constrained Trotting and Jumping Maneuver
Northeastern University（东北大学）
本研究分析东北大学Harpy推进器辅助双足机器人的小跑与跳跃实验数据，揭示其通过腿-推进器协同实现稳定运动，验证混合驱动的鲁棒性，为混合运动机器人研究提供基础原理参考。
2025-08-25 cs.RO
Impact Invariant Control with Applications to Bipedal Locomotion
University of Pennsylvania（宾夕法尼亚大学）
当足式机器人冲击它们的环境时，它们在很短的时间内经历它们的速度的大的变化。测量这些速度并将反馈应用于这些速度是一项挑战，而且由于撞击模型和撞击时间的不确定性而更加复杂。这项工作提出了一个通用的框架，用于适应反馈控制的影响，通过投影的控制目标的子空间是不变的影响事件。所得到的控制器是鲁棒的不确定性的影响事件，同时保持最大的控制权的影响不变的子空间。我们演示了实用的投影上的步行控制器的平面五连杆的机器人和跳跃控制器的兼容的3D双足机器人，卡西。我们的方法的有效性被证明是很好的翻译硬件。
2021-10-01 cs.RO
Whole-Body MPC and Online Gait Sequence Generation for Wheeled-Legged Robots
ETH Zürich（苏黎世联邦理工学院）
我们的论文提出了一个模型预测控制器作为一个单一的任务制定，同时优化车轮和躯干运动。这种在线关节速度和地面反作用力优化集成了轮式四足机器人的kinodynamic模型。它定义了单刚体动力学以及机器人的运动学，同时将车轮视为移动的地面接触。通过这种方法，我们可以准确地捕捉机器人的滚动约束和动力学，使自动发现的混合机动没有不必要的运动学。该配方的通用性，通过同时优化机器人的全身变量允许一组参数，并使在线步态序列适应可能。非周期性步态序列是通过腿部运动工具自动发现的，而不需要预定义的接触和抬离时间，从而降低高达85%的运输成本。我们的实验演示了在具有挑战性的室内和室外环境中的四足机器人与非转向轮的动态运动。该论文的研究结果有助于评估一个分解的，即，轮和躯干运动的顺序优化，以及单任务运动规划器与一个新的数量，预测误差，它描述了如何以及滚动时域规划器可以预测机器人的未来状态。为此，我们报告了高达71%的改进，使用我们提出的单任务的方法，使快速运动可行，并揭示轮式足式机器人的全部潜力。
2021-07-06 cs.RO cs.SY eess.SY
ANYmal Parkour: Learning Agile Navigation for Quadrupedal Robots
ETH Zurich（苏黎世联邦理工学院）；NVIDIA（英伟达）
提出一种全学习的四足机器人敏捷导航方法，通过分层策略组合多种运动技能与感知模块，无需专家演示或先验知识即可在真实世界跨越复杂障碍。
2023-06-26 cs.RO
State Estimation Transformers for Agile Legged Locomotion
Xiaomi Robotics Lab（小米机器人实验室）；Center for Robotics and Biosystems, Northwestern University（西北大学机器人与生物系统中心）
本文提出State Estimation Transformers（SET），将状态估计建模为条件序列建模，利用因果掩码Transformer预测四足机器人身体高度和速度等特权状态，在Cyberdog2上验证了其在跳跃、后空翻和侧滑任务中的估计精度、可迁移性及真实环境成功率优势。
2024-10-17 cs.RO
Mastering Agile Jumping Skills from Simple Practices with Iterative Learning Control
University of Southern California (USC)（南加州大学）
本文提出一种迭代学习控制方法，让腿足机器人从简单跳跃任务逐步学习并迁移到高难度目标跳跃，在A1机器人上实现了厘米级和度级精度的敏捷跳跃。
2024-08-05 cs.RO
Dynamic Bipedal Maneuvers through Sim-to-Real Reinforcement Learning
Collaborative Robotics and Intelligent Systems Institute, Oregon State University（俄勒冈州立大学协作机器人与智能系统研究所）
对于足式机器人来说，要想与人类和动物的运动能力相匹配，它们不仅必须产生鲁棒的周期性行走和跑步，而且还必须在标称运动步态和更专业的瞬时机动之间无缝切换。尽管最近在双足机器人的控制方面取得了进展，但很少关注产生高度动态的行为。最近的工作利用强化学习，以产生控制的足式机器人的政策已经证明，成功地产生强大的行走行为。然而，这些学习策略很难在单个网络上表达多种不同的行为。受传统的基于优化的足式机器人控制技术的启发，这项工作采用了一种循环策略来执行四步，90度转弯训练使用的参考数据生成的优化单刚体模型轨迹。我们提出了一种新的训练框架，使用尾声终端奖励从预先计算的轨迹数据中学习特定的行为，并成功地转移到双足机器人Cassie的硬件上。
2022-07-16 cs.RO
High-speed control and navigation for quadrupedal robots on complex and discrete terrain
Robotics & Artificial Intelligence Lab, KAIST, Daejeon, Korea（机器人与人工智能实验室，韩国KAIST）
本文提出一种由规划器与跟踪器组成的分层导航流水线，结合采样优化、神经网络滤波和竞争式生成训练，使四足机器人 Raibo 能在复杂离散地形上实现高速敏捷运动。
2025-06-03 cs.RO
Selecting Mechanical Parameters of a Monopode Jumping System with Reinforcement Learning
University of Louisiana at Lafayette（路易斯安那大学拉斐特分校）
腿式系统与轮式系统相比有许多优点。例如，他们可以更容易地在极端、不平坦的地形上航行。然而，也有缺点，特别是在模拟系统的非线性方面的困难。研究表明，在腿式机车系统中使用柔性部件可以提高性能指标，例如效率和运行速度。由于在建模柔性系统时遇到的困难，诸如强化学习之类的控制方法可用于定义控制策略。此外，强化学习的任务可以是学习系统的机械参数以匹配控制输入。它示出在这项工作中，当部署强化学习，以找到一个弹簧棒跳跃系统的设计参数，设计的代理学习是最佳的设计空间内提供给代理。
2022-12-02 cs.AI cs.RO
MiNI-Q: A Miniature, Wire-Free Quadruped with Unbounded, Independently Actuated Leg Joints
Stanford University（斯坦福大学）
本文提出MiNI-Q^2微型无线四足机器人，通过无界独立驱动腿关节设计实现多种运动模式，速度达0.46 m/s，可折叠至2.5 cm高度，并开源所有设计文件。
2026-05-31 cs.RO
Learning Highly Dynamic Skills Transition for Quadruped Jumping Through Constrained Space
University of Hong Kong（香港大学）；University of Oxford（牛津大学）
该研究提出分层强化学习框架，结合模仿学习训练低级技能、高级控制器视觉感知规划轨迹，实现四足机器人自主敏捷穿越狭窄门，还可扩展至其他高动态任务。
2026-08-21 cs.RO
The Omega Turn: A General Turning Template for Elongate Robots
Pennsylvania State University（宾夕法尼亚州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Brown University（布朗大学）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）；National University of Singapore（新加坡国立大学）；Oglethorpe University（奥格尔索普大学）
本研究受线虫启发，将Omega转向建模为两个行波的叠加，设计控制器使细长无肢及多足机器人实现稳健有效的转向，并验证其泛化性。
2025-10-14 cs.RO
Rapid and Reliable Quadruped Motion Planning with Omnidirectional Jumping
Massachusetts Institute of Technology（麻省理工学院）
足式机器人的动态跳跃是一个具有挑战性的规划和控制问题。制定跳跃优化以允许快速在线执行是困难的;有效地使用这种能力来生成长期运动计划使问题进一步复杂化。在这项工作中，我们提出了一个层次规划框架来解决这个问题。首先，我们制定了一个实时易处理的轨迹优化进行全向跳跃。然后，我们将这种优化的结果嵌入到低维跳跃可行性分类器中。利用该分类器来产生几何运动计划，该几何运动计划选择动态可行的跳跃，同时减轻过程噪声的影响。我们将我们的框架部署在Mini Cheetah Vision四足动物上，展示了机器人生成和执行可靠的目标导向计划的能力，这些计划涉及向前，横向和旋转跳跃到与机器人标称髋关节高度一样高的表面上。通过全向跳跃进行规划的能力大大扩展了机器人相对于限制跳跃到矢状面或额状面的规划者的移动性。
2022-03-05 cs.RO
Learning and Adapting Agile Locomotion Skills by Transferring Experience
UC Berkeley（加州大学伯克利分校）；Berkeley AI Research（伯克利人工智能研究院）；Google Research（谷歌研究院）；Georgia Institute of Technology（佐治亚理工学院）；Simon Fraser University（西蒙菲莎大学）
本文提出一种从来源、目标和环境知识均可能不同的现有控制器迁移经验的框架，以缓解高维欠驱动腿足机器人的探索难题，并实现跳跃、后腿行走导航及真实世界安全部署。
2023-04-19 cs.AI cs.RO
Generalized Animal Imitator: Agile Locomotion with Versatile Motion Prior
UC San Diego（加州大学圣地亚哥分校）；CMU（卡内基梅隆大学）；USC（南加州大学）
本文提出VIM强化学习框架，通过模仿动物与人工设计动作并结合功能性与风格化双重奖励，使腿足式机器人能用单一控制器同时学习多种敏捷运动技能并实现平滑过渡。
2025-05-04 cs.AI cs.LG cs.RO
Teaching Robots Like Dogs: Learning Agile Navigation from Luring, Gesture, and Speech
Department of Artificial Intelligence, Korea University（人工智能系，韩国大学）；Department of Computer Science, ETH Zurich（计算机科学系，苏黎世联邦理工学院）；Department of Mechanical and Aerospace Engineering, UCLA（机械与航空航天工程系，加州大学洛杉矶分校）
本研究提出了一种人机协同框架，通过手势、言语和诱饵等多模态输入，使机器人高效学习敏捷导航，实验显示在少于1小时的数据下任务成功率高达97.15%。
2026-01-21 cs.RO
Underactuated Motion Planning and Control for Jumping with Wheeled-Bipedal Robots
Southern University of Science and Technology（南方科技大学）；National University of Singapore（新加坡国立大学）；University of Notre Dame（圣母大学）
本文研究了轮式双足机器人的跳跃运动，充分利用了轮式和腿式混合设计的优点。针对轮式双足机器人跳跃运动的运动规划和控制问题，提出了一种综合的分层规划方法。轮-双足动力学的欠驱动是需要解决的主要困难，特别是在规划问题中。为了解决这个问题，提出了一种新的轮式弹簧加载倒立摆（W-SLIP）模型来描述轮式双足机器人在跳跃过程中的基本动力学。依赖于微分平坦的性质的W-SLIP模型，一个易于处理的二次规划为基础的解决方案，规划跳跃运动的轮式双足机器人。结合考虑飞行相位运动的运动学规划方案，给出了完整的W-SLIP模型规划方案。为了使规划轨迹的准确跟踪，基于线性二次型调节器的车轮控制器和任务空间全身控制器的其他关节混合通过干扰观测器。整体规划和控制方案进行了验证，使用V-REP模拟原型轮式双足机器人。
2020-12-11 cs.RO
Robust Recovery Controller for a Quadrupedal Robot using Deep Reinforcement Learning
ETH Zurich（苏黎世联邦理工学院）
本文提出基于无模型深度强化学习的分层行为控制器，通过四个神经网络策略协调控制四足机器人ANYmal的恢复动作，实现从任意跌倒姿态在5秒内恢复，测试成功率超97%。
2019-01-22 cs.AI cs.LG cs.RO
Visual-Inertial and Leg Odometry Fusion for Dynamic Locomotion
Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Oxford Robotics Institute, University of Oxford（牛津大学牛津机器人研究所）
实现足式机器人的动态运动行为需要一个高质量的状态估计模块。特别是当运动包括飞行阶段时，现有技术的方法无法产生机器人姿态的可靠估计，特别是基座高度。在本文中，我们提出了一种新的方法相结合的视觉惯性里程（VIO）与腿部里程的扩展卡尔曼滤波器（EKF）为基础的状态估计。VIO模块使用立体相机和IMU来产生机器人基础连杆在惯性系中的低漂移3D位置和偏航方向以及无漂移俯仰和滚动方向。然而，由于图像处理和优化，这些值具有相当大的延迟量，同时更新速率非常低，这不适合于低级控制。为了减少延迟，我们以VIO传感器的IMU测量的速率来预测VIO状态估计。EKF模块使用VIO预测的基本姿态和线速度，将它们与第二个高速率IMU和腿部里程测量进一步融合，并产生适合控制的高频率和小延迟的机器人状态估计。我们集成了这个轻量级的估计框架与非线性模型预测控制器，并成功地实现了一组敏捷的运动行为，包括小跑和跳跃在不同的水平速度，在扭矩控制的四足机器人。
2022-10-10 cs.RO
Learning a Centroidal Motion Planner for Legged Locomotion
Tandon School of Engineering, New York University（纽约大学坦登工程学院）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）
全身优化器已经成功地自动计算复杂的动态运动行为。然而，它们通常限于离线规划，因为它们在计算上太昂贵而不能以高频率重新规划。简单的模型通常用于在线重新规划。在本文中，我们提出了一种方法来生成全身运动的实时运动任务。我们的方法包括学习质心神经网络，预测所需的质心运动给定的机器人的当前状态和所需的接触计划。该网络使用现有的全身运动优化器进行训练。我们的方法能够用很少的训练样本学习动态运动，这些动态运动可以在高频率下用于完整的全身控制框架，这通常是典型的全身优化器无法实现的。我们展示了我们的方法来产生一个真正的四足机器人上的行走和跳跃运动的丰富。
2020-11-05 cs.RO
Learning Agility and Adaptive Legged Locomotion via Curricular Hindsight Reinforcement Learning
Harbin Engineering University（哈尔滨工程大学）
本文提出课程式事后强化学习（CHRL），通过任务难度自动课程策略和适应有腿运动的事后经验回放策略学习端到端跟踪控制器，使四足机器人实现跌倒恢复、高速转向和冲刺等敏捷自适应运动。
2023-10-24 cs.RO
Modeling multi-legged robot locomotion with slipping and its experimental validation
University of Michigan（密歇根大学）；XPENG Robotics（小鹏机器人）
针对多足机器人滑动运动建模困难的问题，提出一种基于运动学特性和摩擦定律假设的算法，可准确预测六足机器人的足部接触力与机体速度，并实现对大量滑动腿运动计划的快速仿真。
2024-01-03 cs.RO
Unsupervised Skill Discovery as Exploration for Learning Agile Locomotion
Georgia Institute of Technology（佐治亚理工学院）
本文提出新型学习框架SDAX，利用无监督技能发现自主获取多样化技能以克服障碍，并通过双层优化动态调节探索程度，使四足机器人学会爬行、攀爬、跳跃等敏捷行为并成功迁移至真实硬件。
2025-08-12 cs.AI cs.LG cs.RO
A Long-Legged, Direct-Drive Monopedal Robot Achieves Exceptional Jump Height
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本研究提出一种281克直驱单足机器人，利用长腿和织物包裹传动实现7.6米高、190毫秒触地的跳跃，无需弹性储能，并验证了姿态控制与倾斜跳跃能力。
2026-09-28 cs.RO
Barkour: Benchmarking Animal-level Agility with Quadruped Robots
Google DeepMind（谷歌DeepMind）
针对足式机器人缺乏敏捷性系统基准的问题，提出受狗敏捷赛启发的Barkour障碍赛道基准，并基于强化学习与Transformer蒸馏两种方法设定基线，使四足机器人能以狗一半的速度完成赛道，推动机器人向动物级敏捷性发展。
2023-05-24 cs.AI cs.RO
DTAA: A Detect, Track and Avoid Architecture for navigation in spaces with Multiple Velocity Objects
本文提出创新的DTAA架构，通过集成YOLOv8检测、Ultralytics跟踪和卡尔曼滤波状态估计，结合启发式聚类与NMPC控制器，实现了机器人在动态环境中的多物体主动规避与安全导航。
2025-11-03 cs.RO
